MinIO集群模式下的敏感信息泄露漏洞实战:从环境搭建到漏洞复现(CVE-2023-28432)

【漏洞复现】CVE-2023-28432 MinIO集群模式信息泄露漏洞 阅读详情

MinIO集群模式下的敏感信息泄露漏洞实战:从环境搭建到漏洞复现(CVE-2023-28432)

最近在整理内部对象存储安全审计报告时,我重新审视了几个影响广泛的存储系统漏洞,其中CVE-2023-28432这个MinIO的信息泄露问题让我印象尤为深刻。它不像那些复杂的远程代码执行漏洞那样需要精巧的利用链,但恰恰是这种“简单直接”的未授权访问,往往能在实际渗透测试中一击致命。如果你负责维护企业内部的MinIO集群,或者正在学习云原生存储安全,那么理解这个漏洞的完整生命周期——从环境搭建到实际利用——将是一次非常有价值的实践。

这个漏洞的核心在于,当MinIO以集群模式部署时,一个特定的API端点会在没有任何身份验证的情况下,将服务器的所有环境变量“和盘托出”。想象一下,攻击者只需要发送一个简单的HTTP POST请求,就能拿到包括管理员凭证在内的全套配置信息。更令人担忧的是,很多团队在部署时并没有意识到这个风险,因为他们可能认为集群内部通信是“可信的”。

1. 漏洞原理深度剖析:为什么集群模式成了突破口?

要真正理解CVE-2023-28432,我们需要先搞清楚MinIO的架构设计。MinIO在设计上区分了单机部署和集群部署两种模式,而漏洞只影响后者,这并非偶然。

1.1 MinIO集群的内部通信机制

MinIO的分布式架构依赖于节点间的“对等通信”(peer-to-peer communication)。当多个MinIO实例组成一个集群时,它们需要一种机制来验证彼此的身份、同步配置状态,并确保整个集群的一致性。为此,MinIO实现了一套内部的bootstrap(引导)协议。

在cmd/bootstrap-peer-server.go文件中,我们可以看到这个协议的实现。其中最关键的是VerifyHandler函数,它的设计初衷是让集群节点在启动时互相验证配置是否一致。问题就出在这里——最初的实现假设这个端点只会被集群内的其他节点调用,因此没有添加任何身份验证逻辑。

// 漏洞版本的代码片段(简化)
func (b *bootstrapRESTServer) VerifyHandler(w http.ResponseWriter, r *http.Request) {
    ctx := newContext(r, w, "VerifyHandler")
    cfg := getServerSystemCfg()  // 获取系统配置
    logger.LogIf(ctx, json.NewEncoder(w).Encode(&cfg))  // 直接以JSON格式返回
}

这个函数调用了getServerSystemCfg(),后者会收集所有以MINIO_开头的环境变量:

func getServerSystemCfg() ServerSystemConfig {
    envs := env.List("MINIO_")  // 获取所有MINIO_开头的环境变量
    envValues := make(map[string]string, len(envs))
    
    for _, envK := range envs {
        // 原本应该跳过敏感环境变量,但skipEnvs列表不完整
        if _, ok := skipEnvs[envK]; ok {
            continue
        }
        envValues[envK] = env.Get(envK, "")
    }
    
    return ServerSystemConfig{
        MinioEndpoints: globalEndpoints,
        MinioEnv:       envValues,  // 包含敏感信息的环境变量
    }
}

关键点:skipEnvs这个“白名单”机制本应过滤掉敏感环境变量,但在受影响版本中,它漏掉了几个关键变量,特别是MINIO_SECRET_KEY和MINIO_ROOT_PASSWORD。

1.2 攻击面分析:从信息泄露到权限提升

这个漏洞的危险性不仅在于信息泄露本身,更在于泄露的信息如何被进一步利用。典型的攻击路径如下:

  1. 信息收集阶段:攻击者发现暴露在公网的MinIO集群端点
  2. 漏洞利用阶段:通过未授权的/minio/bootstrap/v1/verify接口获取环境变量
  3. 权限提升阶段:使用泄露的凭证登录管理控制台
  4. 横向移动阶段:在集群内部进行进一步渗透

让我用一个表格来展示典型泄露信息及其潜在风险:

泄露的环境变量 典型值示例 安全风险等级 可能导致的后果
MINIO_ROOT_USER admin 高 直接获取管理员用户名
MINIO_ROOT_PASSWORD StrongPass123! 极高 完全控制MinIO实例
MINIO_SECRET_KEY minioadmin 高 可用于API认证和签名
MINIO_ACCESS_KEY minio 中高 结合SECRET_KEY可进行API操作
MINIO_ENDPOINTS http://minio{1...4}:9000 中 暴露集群内部网络拓扑
MINIO_CERT_PASSWD certpassword 高 可能用于解密TLS证书

在实际测试中,我发现很多企业部署存在一个常见误区:他们以为MinIO的Web控制台(通常运行在9001端口)才是主要攻击面,却忽略了API端点(9000端口)的安全加固。事实上,通过9000端口的这个漏洞,攻击者可以绕过Web界面的所有防护措施。

2. 实战环境搭建:构建安全的测试实验室

在开始漏洞复现之前,我们必须建立一个隔离的测试环境。我强烈建议使用Docker Compose来搭建MinIO集群,这样既能模拟真实的多节点部署,又能确保测试过程不会影响生产系统。

2.1 环境准备与依赖安装

首先确保你的测试机器满足以下基础要求:

  • 操作系统:Ubuntu 20.04 LTS或更高版本(其他Linux发行版也可)
  • Docker版本:20.10.0或更高,支持Docker Compose V2
  • 内存:至少4GB RAM(每个MinIO节点需要约512MB)
  • 磁盘空间:至少10GB可用空间

安装必要的依赖:

# 更新系统包
sudo apt-get update && sudo apt-get upgrade -y

# 安装Docker(如果尚未安装)
curl -fsSL https://get.docker.com -o get-docker.sh
sudo sh get-docker.sh

# 安装Docker Compose V2
sudo apt-get install docker-compose-plugin

# 验证安装
docker --version
docker compose version

# 将当前用户添加到docker组(避免每次使用sudo)
sudo usermod -aG docker $USER
newgrp docker

2.2 配置易受攻击的MinIO集群

我创建了一个专门用于复现的docker-compose.yml文件,这个配置模拟了一个四节点的MinIO集群,使用的是存在漏洞的版本(RELEASE.2023-03-13T19-46-17Z):

version: '3.8'

services:
  minio1:
    image: minio/minio:RELEASE.2023-03-13T19-46-17Z
    container_name: minio1
    hostname: minio1
    volumes:
      - ./data/minio1/data1:/data1
      - ./data/minio1/data2:/data2
    ports:
      - "9001:9000"  # API端口
      - "9002:9001"  # 控制台端口
    environment:
      MINIO_ROOT_USER: "vuln_admin"
      MINIO_ROOT_PASSWORD: "ThisIsAVulnerablePassword123!"
      MINIO_SECRET_KEY: "minio_secret_key_here"
      MINIO_ACCESS_KEY: "minio_access_key_here"
    command: server http://minio{1...4}/data{1...2}
    networks:
      - minio-cluster-net
    healthcheck:
      test: ["CMD", "curl", "-f", "http://localhost:9000/minio/health/live"]
      interval: 30s
      timeout: 10s
      retries: 3

  minio2:
    image: minio/minio:RELEASE.2023-03-13T19-46-17Z
    container_name: minio2
    hostname: minio2
    volumes:
      - ./data/minio2/data1:/data1
      - ./data/minio2/data2:/data2
    ports:
      - "9003:9000"
      - "9004:9001"
    environment:
      MINIO_ROOT_USER: "vuln_admin"
      MINIO_ROOT_PASSWORD: "ThisIsAVulnerablePassword123!"
      MINIO_SECRET_KEY: "minio_secret_key_here"
      MINIO_ACCESS_KEY: "minio_access_key_here"
    command: server http://minio{1...4}/data{1...2}
    networks:
      - minio-cluster-net
    depends_on:
      - minio1

  minio3:
    image: minio/minio:RELEASE.2023-03-13T19-46-17Z
    container_name: minio3
    hostname: minio3
    volumes:
      - ./data/minio3/data1:/data1
      - ./data/minio3/data2:/data2
    environment:
      MINIO_ROOT_USER: "vuln_admin"
      M
MinIO集群模式信息泄露漏洞(CVE-2023-28432)vulhub漏洞复现 利用泄露的MINIO_ROOT_USER 和MINIO_ROOT_PASSWORD 值登录系统。可以查看Web管理页面,访问。启动burpsuite抓包。漏洞存在于API节点。 阅读详情

相关推荐

MinIO集群部署中敏感信息泄露漏洞深度剖析(CVE-2023-28432)

本文深度剖析了MinIO集群部署中的敏感信息泄露漏洞CVE-2023-28432。该漏洞源于集群内部认证接口`/minio/bootstrap/v1/verify`缺乏访问控制,导致攻击者可无需认证直接获取包含管理员凭证在内的核心环境变量。文章详细解释了漏洞原理、影响范围,并提供了修复与缓解方案。

red88的博客 822

【漏洞分析】MinIO集群模式下的敏感信息泄露(CVE-2023-28432)攻击链深度剖析

本文深度剖析了MinIO集群模式下CVE-2023-28432敏感信息泄露漏洞。攻击者通过向特定API接口发送未授权POST请求,即可直接获取管理员凭证及环境变量等核心敏感信息,进而可能导致整个集群被完全控制。文章详细阐述了漏洞原理、复现步骤、攻击链延伸及修复加固方案。

weixin_29323493的博客 426

MinIO集群敏感信息泄露漏洞CVE-2023-28432深度解析

MinIO是一款广泛使用的高性能对象存储系统,其API设计与错误处理机制直接影响云原生环境的安全基线。当HTTP请求路径匹配/minio/v1/前缀但未被路由捕获时,服务端会绕过全部鉴权中间件,直接在404错误响应中明文返回全局访问凭证——这一行为本质是错误处理器逻辑缺陷,而非配置疏漏或权限缺失。该漏洞在集群模式下危害倍增,因所有节点共享同一套根密钥,导致单点触发即可获取全集群控制权。典型应用场景包括医疗影像云、金融文档存储、AI训练数据湖等强合规要求领域。本文聚焦CVE-2023-28432的触发原理、复

weixin_32234493的博客 548

MinIO集群模式下的敏感信息泄露漏洞(CVE-2023-28432)实战复现与修复指南

本文深度解析MinIO集群模式下的敏感信息泄露漏洞(CVE-2023-28432),包括漏洞背景、技术原理、复现步骤及修复方案。该漏洞影响特定版本的MinIO集群,可导致管理员凭证等关键信息泄露。文章提供详细的漏洞复现指南、自动化检测工具推荐,以及官方修复和临时缓解措施,帮助企业有效防御这一高危漏洞。

k5l6m的博客 612

MinIO verify接口未授权访问漏洞深度剖析(CVE-2023-28432)

本文深度剖析了MinIO对象存储服务中CVE-2023-28432高危漏洞。该漏洞源于集群内部`/minio/bootstrap/v1/verify`接口存在未授权访问缺陷,导致攻击者可轻易获取包含管理员密码在内的敏感环境变量,造成严重的敏感信息泄露风险。文章详细解读了漏洞原理、影响范围、复现方法,并提供了官方修复方案与系统加固指南。

weixin_29322553的博客 710

MinIO高危漏洞CVE-2023-28432深度解析与修复实战

在分布式对象存储系统中,权限校验机制是保障数据安全的核心防线。其原理在于对每个API请求进行身份验证和授权检查,确保只有合法用户才能访问相应资源。这一机制的技术价值在于防止未授权访问和数据泄露,是构建可信存储服务的基石,广泛应用于云原生、数据湖等需要海量非结构化数据存储的场景。然而,当权限校验逻辑存在缺陷时,便可能引发严重的安全漏洞。本文聚焦的CVE-2023-28432高危漏洞,正是MinIO对象存储服务因特定调试端点的权限校验旁路缺陷所导致。该漏洞允许攻击者无需任何身份验证,通过构造特定HTTP请求直接

weixin_42524171的博客 326

MinIO集群环境变量泄露漏洞CVE-2023-28432深度解析与修复指南

在分布式对象存储系统中,环境变量作为配置管理的关键机制,承载着数据库连接密码、API令牌等核心敏感信息。其安全原理在于进程隔离与访问控制,确保只有授权实体能够读取。一旦环境变量泄露,将直接威胁整个系统的认证体系与数据安全,尤其在微服务与云原生架构中,可能引发横向渗透风险。CVE-2023-28432正是MinIO集群模式下因认证缺失导致的环境变量越权访问漏洞,攻击者可通过简单HTTP请求获取全部节点敏感配置。本文将从漏洞原理出发,结合**集群部署**与**访问控制**等热词,详解其影响范围、复现方法,并提供

weixin_27722377的博客 250

MinIO集群高危漏洞CVE-2023-28432深度剖析:从原理到防御

在分布式存储系统中,API安全是保障数据完整性和机密性的基石。其核心原理在于通过身份认证与访问控制机制,确保只有授权实体能够访问敏感接口。一旦API端点缺乏严格的请求源验证,便会破坏系统的信任模型,导致信息泄露风险。这种设计缺陷在工程实践中尤为关键,因为它直接影响多租户环境下的数据隔离与安全。以MinIO集群为例,其内部管理端点若未实施有效的认证机制,攻击者便可能通过构造特定HTTP请求,绕过安全边界,窃取包括根凭证在内的环境变量。这种漏洞不仅暴露了分布式系统内部通信的安全盲点,更凸显了在微服务架构下强化服

weixin_33922672的博客 441

MinIO集群部署中敏感信息泄露漏洞深度解析(CVE-2023-28432)

本文深度解析了MinIO集群部署中的高危漏洞CVE-2023-28432。该漏洞源于`/minio/bootstrap/v1/verify`接口缺乏身份验证,导致攻击者可未授权访问并泄露包括`MINIO_ROOT_PASSWORD`在内的核心敏感信息。文章详细剖析了漏洞原理、复现步骤、潜在攻击链,并提供了官方的修复方案以及全面的安全自查与加固指南。

weixin_28607671的博客 533

MinIO高危漏洞CVE-2023-28432应急响应:从检测到安全升级的完整指南

在分布式对象存储系统中,信息泄露漏洞是威胁数据安全的严重风险之一。这类漏洞的原理通常源于服务端对特定HTTP请求的处理逻辑存在缺陷,导致未经授权的攻击者能够绕过身份验证机制,直接获取系统内部敏感信息。从技术价值角度看,及时修复此类漏洞不仅是满足合规性要求,更是保护企业核心数字资产、维护业务连续性的关键。在实际应用场景中,对象存储集群常作为大数据分析、备份归档和云原生应用的后端存储,一旦根凭据等关键环境变量泄露,攻击者便可实施数据窃取、篡改甚至勒索攻击。本文聚焦于近期披露的MinIO高危漏洞CVE-2023-

weixin_42525738的博客 245

CVE-2023-28432 MinIO 信息泄露漏洞--漏洞复现10

MinIO是美国MinIO公司的一款开源的对象存储服务器, 是一款高性能、分布式的对象存储系统. 它是一款软件产品, 可以100%的运行在标准硬件。即X86等低成本机器也能够很好的运行MinIO。MinIO中存在一处信息泄露漏洞,由于Minio集群进行信息交换的9000端口,在未经配置的情况下通过发送特殊HPPT请求进行未授权访问,进而导致MinIO对象存储的相关环境变量泄露,环境变量中包含密钥信息。泄露的信息中包含登录账号密码。 CVE-2023-28432 CNNVD-202303-1795

nnn2188185的博客 8157

fluent二维叶型仿真_Fluent案例4【自然对流】

自然对流来了!!江苏的高校好多开学了,我啥时候才能开学另外,刚才看了何同学的Mac Pro深度体验视频,我好酸/(ㄒoㄒ)/~~好想拥有一台跑仿真那种sou~sou~sou~的机器。废话不多说了,进入正题!案例题目:一个矩形空腔内有500K恒温小球,矩形空腔充斥空气,边界条件绝热,模型尺寸如下,试模拟空腔内空气流动状态做出温度变化图。(尺寸大小懒得写了,在建模部分里有)操作平台:workbench...

weixin_39724469的博客 3671

RK3568 开发实战:手动构建 Linux 4.19 内核镜像与设备树优化

本文详细介绍了为RK3568开发板手动编译Linux 4.19内核的完整实战流程。从环境搭建、源码获取、内核配置,到设备树深度定制与优化,再到镜像打包与烧写,旨在帮助开发者脱离官方SDK依赖,实现对嵌入式Linux系统的完全掌控,提升硬件适配与性能优化能力。

weixin_29175469的博客 271

Ubuntu 24.04 高效部署Slurm集群:从零到生产环境实战

本文提供了一份在Ubuntu 24.04 LTS系统上从零开始部署生产级Slurm高性能计算集群的完整实战指南。内容涵盖网络配置、Munge安全认证、Slurm核心组件安装与配置,并深入讲解了cgroups资源隔离、NFS共享存储、配置无感知模式等生产环境优化技巧,最后通过实例演示如何提交与管理Slurm作业,帮助用户构建高效、稳定的计算平台。

weixin_29213655的博客 568

Vivaldi天线HFSS建模实战:从参数化曲线到辐射优化的完整流程

本文详细介绍了Vivaldi天线在HFSS中的建模与优化全流程,涵盖参数化曲线绘制、馈电系统设计及性能验证等关键步骤。通过实战案例分享,帮助工程师掌握超宽带天线的HFSS建模技巧,提升雷达探测和通信系统设计效率。重点解析了指数渐变曲线建模、微带馈电优化等核心技术要点。

weixin_29228781的博客 277

【windows】【系统还原】亦是美kms执行一键关闭defender 之后,windows defender 被卸载了,无论如何都打不开

还是执行 都没有明显效果 那么,我最后是怎么解决得呢? 一、打开控制面板(任务栏搜索kzmb)

weixin_41899098的博客 6919

保姆级教程:用PyTorch从零实现SDE扩散模型(附完整代码与MNIST实战)

本文提供了一份详细的PyTorch教程,指导读者从零开始实现SDE扩散模型,并附有完整的代码示例和MNIST数据集实战。通过解释随机微分方程(SDE)的核心概念、模型架构设计、训练流程实现以及采样生成过程,帮助开发者掌握扩散模型的构建与应用。

weixin_28677005的博客 269

AI工作流革命:从n8n到Sora2,揭秘自动化视频创作的底层逻辑

本文深入探讨了AI工作流在自动化视频创作中的应用,重点介绍了n8n、Coze和Sora2的组合如何实现从链接输入到视频输出的全流程自动化。通过三层架构解析、关键技术模块优化及成本控制策略,这套方案显著提升了视频生产效率,适用于电商、热点追踪等多种场景。

gg901的博客 1092

k8s配置habor作为镜像地址之后,如果harbor中没有镜像,如何设置自动从阿里云官方镜像仓库下载

通过 Harbor 的远端仓库可以集中管理。如果你在上游设置了 image prefix 为 library,那么对外访问 harbor.your-domain.com/library/nginx:latest 就会被 Harbor 去上游拉取 registry.cn-hangzhou.aliyuncs.com/library/nginx:latest 并缓存。- 将集群中的镜像地址改为 Harbor 的域名,比如 harbor.your-domain.com/library/nginx:latest。

极客栈 430

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

上一篇: TSMaster与PCAN硬件联调实战:从DBC加载到报文发送全流程解析
下一篇: 西门子S120变频器限幅功能避坑指南:为什么我的电机总报F079故障?
Light
博客等级 码龄27年 39粉丝 1340原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值